Intelligent Ultrasonic Characterization of Bonding Conditions in Aircraft Honeycomb Sandwich Composite Panels
本研究提出了一种智能分类方法，该方法结合了用于获取超声C扫描图像的界面回声追踪技术与ResNet50深度学习网络，旨在自动且准确地识别飞机蜂窝夹层复合材料面板的粘接状态，从而克服人工检测效率低和主观性强的问题。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
飞机机翼和尾翼通常依赖于一种巧妙的工程技巧：在两层薄而坚固的板材之间夹入一层轻质的、类似蜂窝状的核心结构。这种被称为蜂窝夹层复合材料的结构，使飞机既拥有飞行的强度，又保持了足够轻盈的效率。然而，连接这些层的胶水却很脆弱。随着时间的推移，外层板材与内部蜂窝之间的粘合可能会减弱或失效，从而产生隐藏的缝隙，危及飞机的安全。寻找这些看不见的缺陷非常困难，因为损伤被埋藏在材料深处。传统上，检测人员使用声波来“观察”结构内部，但生成的图像非常复杂，需要人类专家进行解读。这个过程很慢，而且由于依赖人为判断，不同的检测员可能会对同一张图像得出不同的结论。
为了解决这个问题，南昌航空大学和江西洪都航空工业集团的研究人员开发了一种自动读取这些声波图像的新方法。他们创建了一个系统，利用人工智能来观察超声检测生成的图像，并能立即判定粘合状态是良好、一般还是较差。该系统不再要求疲惫的人类盯着成千上万张图像看，而是让计算机通过学习来识别指示健康粘合与危险粘合的细微模式。团队在一段真实的飞机尾部部件上测试了这种方法，证明了机器可以高精度且一致地发现这些隐藏的缺陷。
该过程始于一项专门的声学测试。想象一下，一束携带聚焦声波的水流在飞机面板内部发生反射。随着声波传播，它撞击外层表面，然后经过胶层，最后到达蜂窝核心。研究人员重点关注从胶层和蜂窝处返回的回波，因为粘合问题就隐藏在那里。他们捕捉这些回波，并将其转化为一张二维平面图，称为C扫描图像。在这些图像中，明亮的红色区域代表强回波，这通常意味着声波因为无法穿过缝隙而发生反射，预示着存在缺陷；深蓝色区域代表弱回波，意味着声波穿过了材料，表明粘合稳固且健康。
然而，来自这项测试的原始图像通常颗粒感很重且难以辨认。为了使图像更清晰，研究人员应用了两个数字清洗步骤。首先，他们平滑了噪声，就像稍微模糊照片以去除尘埃一样，这有助于保留缺陷的边缘。接着，他们锐化了图像，使蜂窝单元的微小细节更加突出。图像清洗完成后，团队需要一种方法来教计算机识别什么是“好”的粘合，什么是“坏”的粘合。他们将大图切割成数百个小正方形块。通过计算每个小块中出现了多少个亮像素，他们将它们分为三组：亮斑极少的小块（健康）、亮斑数量适中的小块（预警信号）以及亮斑很多的（严重缺陷）。
利用这些标记好的样本，研究人员训练了一个深度学习网络，这是一种旨在模仿人类大脑处理视觉信息方式的计算机程序。他们使用了一种名为ResNet50的特定架构，该架构以其学习复杂模式的能力而闻名。为了确保计算机不仅仅是死记硬背它所看到的特定图像，研究人员使用了交叉验证技术。他们将数据分为五组，用其中四组进行训练，并在第五组上进行测试，然后轮换这个过程，直到每一组都经过测试。这种严谨的方法表明，计算机识别粘合状况的正确率达到了约90%。它在识别明显的健康区域和明显的缺陷区域方面表现尤为出色，但在处理损伤刚刚开始的中间地带时偶尔会遇到困难。
为了证明该系统在现实场景中的有效性，团队在一个计算机从未见过的更大面板上对其进行了测试。他们运行了声学测试，将图像分解成小块，并让人工智能对每一块进行分类。结果令人印象深刻。在绝大多数情况下，系统的分类结果与用于对图像进行分类的数学规则保持一致。当计算机对某种分类不确定时，它会将该区域标记为“不确定”，从而允许人类专家仅对这些特定位置进行复核。这种方法意味着该系统可以自动处理绝大部分的检测工作，同时仍为困难案例保留了一道安全网。研究结论指出，这种智能方法为检查飞机结构的健康状况提供了一种可靠、快速且客观的方式，有望取代缓慢且具有变异性的人工检测过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。